Visualizzare il rendimento di approvazione dei prestiti

Nel settore dei servizi finanziari, capire i fattori che influenzano i tassi di approvazione dei prestiti è fondamentale sia per i finanziatori sia per i richiedenti. Un istituto finanziario ha condotto uno studio e raccolto dati sulle richieste di prestito, includendo l’importo richiesto, il punteggio di credito del richiedente, lo stato occupazionale e il rendimento finale del processo di approvazione. Questo ricco insieme di dati offre uno sguardo sulle dinamiche sottili che intervengono nelle decisioni sui prestiti. Ti è stato chiesto di esplorare il dataset loan_approval_yield per capire come gli importi dei prestiti e i punteggi di credito influenzino i rendimenti di approvazione.

Il DataFrame loan_approval_yield, seaborn come sns e matplotlib.pyplot come plt sono già stati caricati per te.

Questo esercizio fa parte del corso

Progettazione Sperimentale in Python

Visualizza corso

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Use Seaborn to create the bar graph
sns.catplot(x="____", 
            y="____", 
            hue="____", 
            kind="____", 
            data=loan_approval_yield)
plt.title("Loan Approval Yield by Amount and Credit Score")
plt.show()

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Progettazione Sperimentale in Python

IntermediárioNível de habilidade

4.8+

Inizia il corso gratuitamente

Costruire competenze nella progettazione sperimentale ti permette di testare ipotesi con strumenti analitici consolidati e di quantificare il rischio del tuo lavoro. Inizierai definendo cos’è la progettazione sperimentale e i diversi schemi, come blocking e stratificazione. Poi imparerai e applicherai test visivi e analitici di normalità sui dati sperimentali.

Exercise 1: Impostare gli esperimenti Exercise 2: Assegnazione non casuale dei soggetti Exercise 3: Assegnazione casuale dei soggetti Exercise 4: Impostazione dei dati sperimentali Exercise 5: Blocco dei dati sperimentali Exercise 6: Stratificare un esperimento Exercise 7: Quale è stato stratificato?Exercise 8: Dati normali Exercise 9: Normalità visiva in un esperimento agricolo Exercise 10: Normalità analitica in un esperimento agricolo

Approfondirai tecniche sofisticate di progettazione sperimentale, concentrandoti su factorial design, randomized block design e correzioni per covariate. Queste metodologie sono fondamentali per migliorare accuratezza, efficienza e interpretabilità dei risultati sperimentali. Grazie a una combinazione di teoria e applicazioni pratiche, acquisirai le competenze per progettare, implementare e analizzare esperimenti complessi in diversi ambiti di ricerca.

Exercise 1: Schemi fattoriali: principi e applicazioni Exercise 2: Capire l'efficacia di una campagna di marketing Exercise 3: Heatmap delle interazioni della campagna Exercise 4: Disegni fattoriali e disegni a blocchi randomizzati Exercise 5: Randomized block design: controllare la varianza Exercise 6: Implementare un randomized block design Exercise 7: Visualizzare la produttività nei blocchi per incentivo Exercise 8: ANOVA all'interno dei blocchi di dipendenti Exercise 9: Aggiustamento per covariate nel disegno sperimentale Exercise 10: Importanza delle covariate Exercise 11: Correzione per covariate con la crescita dei pulcini

Padroneggia test statistici come t-test, ANOVA e Chi-quadro, e approfondisci le analisi post-hoc e le basi della power analysis. Impara a scegliere il test giusto, interpretare p-value ed errori, e condurre con sicurezza una power analysis per determinare dimensione del campione e dell’effetto, sfruttando le potenti librerie di Python per dare vita agli insight sui tuoi dati.

Exercise 1: Scegliere il test statistico giusto Exercise 2: Scegliere il test giusto: petrolchimici Exercise 3: Scegliere il test giusto: risorse umane Exercise 4: Scegliere il test giusto: finanza Exercise 5: Analisi post-hoc dopo l'ANOVA Exercise 6: ANOVA sui trattamenti per l'ansia Exercise 7: Applicare l'HSD di Tukey Exercise 8: Applicare la correzione di Bonferroni Exercise 9: P-value, alpha ed errori Exercise 10: Analizzare la durabilità dei giocattoli Exercise 11: Visualizzare le differenze di durata Exercise 12: Ruolo dei livelli di significatività Exercise 13: Power analysis: dimensione del campione ed entità dell'effetto Exercise 14: Scopo dell'effect size Exercise 15: Stima della dimensione campionaria necessaria per lo studio sull'energia

Addentrati nelle complessità dell’analisi dei dati sperimentali. Impara a sintetizzare insight con pandas, a gestire problematiche come l’eteroschedasticità con scipy.stats e ad applicare test non parametrici come Mann-Whitney U. Scopri tecniche aggiuntive per trasformare, visualizzare e interpretare dati complessi, potenziando la tua capacità di condurre analisi robuste in diversi contesti sperimentali.

Exercise 1: Sintetizzare insight da esperimenti complessi Exercise 2: Visualizzare il rendimento di approvazione dei prestiti

Esercizio attuale

Exercise 3: Esplorare la soddisfazione dei clienti Exercise 4: Comunicare in modo efficace i dati sperimentali Exercise 5: Affrontare le complessità nei dati sperimentali Exercise 6: Verifica l'eteroschedasticità nella shelf life Exercise 7: Esplorare e trasformare i dati sulla shelf life Exercise 8: Applicare test non parametrici nell'analisi sperimentale Exercise 9: Visualizzare e testare i metodi di conservazione Exercise 10: Analisi approfondita delle tecniche di conservazione degli alimenti Exercise 11: Congratulazioni!